Identificación de 11 tipos de fallas en líneas de transmisión de alta tensión utilizando redes neuronales
En el presente proyecto se desarrolló una herramienta de apoyo basada en redes neuronales perceptrón que identifica 11 tipos de fallas en 5 tramos de una línea de transmisión eléctrica de alta tensión, la cual tiene su propia interfaz gráfica desarrollada en el toolbox GUI de MATLAB. La base de dato...
| Autor Principal: | Bautista Fernández, Laura Patricia |
|---|---|
| Publicado: |
2018
|
| Materias: | |
| Acceso en línea: |
http://repository.usta.edu.co/handle/11634/12670 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: |
En el presente proyecto se desarrolló una herramienta de apoyo basada en redes neuronales perceptrón que identifica 11 tipos de fallas en 5 tramos de una línea de transmisión eléctrica de alta tensión, la cual tiene su propia interfaz gráfica desarrollada en el toolbox GUI de MATLAB. La base de datos con la cual se formaron los conjuntos de entrenamiento, validación y prueba
de las redes neuronales corresponde a la simulación en el software Programa transitorio alternativo (ATP) de 11 tipos de fallas; donde fueron utilizados 4 tipos de resistencias, 6 valores de ángulos y diferentes localizaciones de la falla para cada conjunto en los tramos estudiados. Se experimentaron cuatro configuraciones donde se varía el número de características como: tensión,
tensión media, corriente, corriente media y ángulos de fase para de cada una de las líneas, lo que se refleja directamente en el número de características que se presentan a la red. La red neuronal seleccionada fue una red multicapa perceptrón (MLP) de 2 capas ocultas, luego de realizar pruebas con una y dos capas ocultas variando el número de neuronas y analizando su comportamiento con métricas como porcentaje de identificación y de Root Mean Square Error (RMSE). Los resultados, presentados en matrices de confusión y en función del error, muestran que el comportamiento de las redes utilizando la configuración 2, que consta de 12 características (entradas); hacen parte de la arquitectura de red que a su vez cuenta con 2 capas ocultas de 15 y 10 neuronas respectivamente y una codificación para las salidas representada en 4 bits, obteniendo
porcentajes de clasificación con valores por encima del 99% y errores con valores menores a 1,2x10-6. La herramienta de apoyo está dotada de una arquitectura de red de 2 capas y una interfaz gráfica donde el usuario tendrá la opción de: visualizar el tipo de falla que se presentada, indexar datos de una falla que se desee identificar, además, de que se le facilite la interpretación de los datos brindados por el sistema de identificación implementado con MLP. |
|---|